一类支持向量机

摘要： 针对传统芯片检测方法存在检测效率低、要求高、适用性差等问题,提出了基于电磁旁路信号和机器学习方法的伪芯片检测框架.首先,在持有正品芯片的基础上通过引入神经网络和多种特征提取方法提取特征向量,并将正样本的指令信号作为模板库;然后,对待测芯片近场电磁信号进行加窗分帧,并对每帧信号进行特征提取;最后,将特征向量输入改进核函数的一类支持向量机进行扫描式匹配,从而达到芯片检测的目的.实验结果表明,该方法能够适用于以次充好重标记类型的伪芯片检测.

摘要： 随着配电网数据信息的急剧增长,为了保证配电网供电可靠性,在配电网和基站间建立多跳D2D网络进行数据传输,提出多跳D2D组网下基于数据驱动的配电网在线异常检测方法。因配电网中每个时刻都会产生新的测量数据,提出一种基于一类支持向量机的配电网运行状态在线检测算法,该算法可根据每个时间周期智能电表上报的用电数据更新模型参数,实时推测配电网当前的运行状态。为了保证用电数据的正常传输,提出基于双边主成分分析的在线流量监测方法监督多跳D2D组网的流量状态。通过仿真实例验证,证明了提出的基于数据驱动的配电网在线异常检测算法可在提高检测速率和精确度的同时节约大量的计算时间和存储空间。

摘要： 在复杂产品的制造过程中,轮廓(profile)数据是一类广泛存在的质量数据类型。为了能够尽快监测出线性轮廓内自相关过程中的异常,针对质量数据仅存在正常样本的情况,提出了基于一类支持向量机(one-class Support Vector Machine,OCSVM)的监控方法。首先,介绍OCSVM方法原理;其次,构建OCSVM监控模型,通过数值仿真实验模拟得到平均运行长度,并给出详细的仿真过程;再次,以平均运行长度为准则,分析高斯核函数与多项式核函数对OCSVM方法监控性能的影响,结果表明:监控AR(1)模型时,多项式核函数具有优势;最后,将多项式核函数的仿真结果与传统的一些控制图进行对比,结果表明:当标准差以及斜率、截距同时发生变化时,OCSVM方法监控效果优于其他控制图;当自相关系数ρ=0.1(弱相关)截距发生较大偏移以及ρ=0.9(强相关)截距发生偏移时,OCSVM方法监控效果优于其他控制图。

摘要： 针对数控机床工作中诊断维护困难的问题,提出一种利用声音融合特征搭配一类支持向量机(OCSVM)的故障诊断和SVM故障分类的方法。首先采集不同工作状态下的数控机床运行音频数据,采用梅尔频率倒谱系数(MFCC)和线性预测倒谱系数(LPCC)方法对数据进行多维特征提取,通过PCA降维归一化后融合特征,最后将处理好的特征进行OCSVM检测是否存在故障,并且识别故障类别。研究采集了数控机床正常工作和9类异常故障音作为数据集开展分析。通过实验证明,基于声音特征融合与OCSVM可以实现对数控机床故障的准确诊断,诊断准确率能达到96.1%,通过SVM能对数控机床故障精准分类,分类准确率能达到93.3%。

摘要： 风机SCADA数据在风机状态评估和性能预测中具有重要作用。在风机实际运行过程中,人为操作失误以及传感器等设备故障可能导致SCADA数据中存在大量异常,给后续的评估和预测带来较大干扰。文章基于风机SCADA数据中风速-功率散点图的分布特征和形态,以及标准风功率曲线的风速-功率对应关系,提出了一种改进的一类支持向量机(OCSVM)方法来进行异常数据清洗。通过选取东北某风电场的同类型风机进行SCADA数据清洗验证,并与四分位法、局部异常点检测算法(LOF)、孤立森林算法(IF)的清洗结果进行了对比。对比结果表明,本文提出的方法对异常点的清洗效率更高,清洗结果更接近标准风功率曲线,且具有较好的通用性。

摘要： 针对实际生产中,石化设备故障呈现出"不均衡小样本"特性,致使传统诊断模型适用性不足,准确率低下这一问题,基于一类支持向量机(One-Class SVM)和遗传算法优化的支持向量机(GA-SVM),提出一种分步诊断策略.利用One-Class SVM构建超球诊断模型,可在没有任何故障先例的前提下实现异常状态辨识和未知故障甄别,提升算法对不均衡监测数据(正常样本数量远超故障样本数量)的适用性;利用GA-SVM,针对小样本故障数据集构建并优化智能诊断模型,判别故障模式,降低算法对大量有标签故障样本的依赖.故障诊断实验结果表明,该方法能够在不均衡小样本场景中显著降低漏报率、误报率和误诊率,对实验数据和工程数据的诊断准确率分别达99％和100％.

摘要： 为实现从电网侧监测电动自行车违规停放充电行为,减少电动自行车充电火灾事故,在非侵入式负荷识别的基础上,提出一种基于特征选择与增量学习的电动自行车充电辨识方法.首先,根据电动自行车充电实测电流波形,分析负荷特性并列举15种负荷特征.通过半监督Fisher计分与最大信息系数量度特征辨别度与冗余度,采用贪心搜索算法对特征重要性排序并结合排序与辨识结果选择辨识准确性最高的特征子集.然后,基于一类支持向量机增量学习方法,实现电动自行车负荷辨识与分类器在线学习.最后,通过实测数据进行试验,结果表明文中方法可以对电动自行车充电行为准确辨识,验证了算法的有效性.

摘要： 无人机是一种典型的依靠通信和控制系统实现自主飞行的信息物理系统,在安全性和可靠性方面引起了广泛的关注.本文考虑无人机传感器易受网络攻击问题,充分利用数据的时间相关性,提出了针对无人机传感器数据的异常检测模型.首先采用LSTM神经网络对传感器数据进行预测,再将预测值与实际值做差,并将差值输入LSTM分类器进行训练得到包含正样本的超平面,最后计算测试数据到超平面的距离函数值,根据其正负判定异常与否.并且,选择了合适的滑动窗口,在保证异常检测准确率的同时,缩短LSTM神经网络的训练时长.通过仿真实验,验证了该异常检测模型的可行性和有效性.

摘要： 捷联惯性基组合导航中,量测值存在野值的情况难以避免,会导致无迹卡尔曼滤波(UKF)的估计精度下降.针对该问题,本文提出一种基于一类向量机(SVM)的鲁棒UKF算法(SVM-UKF).首先使用一类支持向量机训练滑动窗,来辨别滤波中的新息是否为异常,对于正常新息不予处理,对于异常的新息采用指数加权的方法进行估计,使用新的估计值替换野值,并进行了船载实验,对含有野值的SINS/GPS系统使用SVM-UKF与常规UKF,RUKF滤波进行组合导航实验.实验结果表明,在量测值有野值污染的情况下,SVM-UKF具有较高的鲁棒性,对比于UKF,RUKF具有更高的估计精度.

摘要： 视频异常检测算法是视频处理领域的研究热点之一,用于检测视频中是否包含异常事件.然而,由于没有异常样本参与训练过程,且异常样本与正常样本之间存在一定程度的相似性,因此很难设计出一种有辨识力的异常检测模型.为了解决上述问题,文中首先提出了一种基于相似度保持和样本恢复的特征选择方法,该方法能够保留正常样本的相似关系,进而可以学习到能够准确描述正常事件的特征.其次,将异常事件检测任务转化为分类任务,并提出了一种自反馈最优子类挖掘方法来获得最优分类器.如果一个测试样本被所有分类器判断为异常,则该样本最终将被判定为异常.在公共视频数据集(Avenue数据集、UCSD Ped2数据集)上进行的大量实验的结果表明,所提异常事件检测算法可以取得很好的结果.

摘要： GPS载波相位周跳探测是高精度定位所必须解决的关键问题,传统方法诸如相位伪距组合法无法探测1周以下小周跳,电离层残差法对双频同时发生相同的0.5周以下小周跳不灵敏,且无法探测双频以某些特定比例发生的周跳.为了弥补传统周跳检测方法的缺点,探索一种相对完善的周跳探测方法,本文在分析了周跳探测和一类支持向量机异常检测原理的基础上,提出了一种基于一类支持向量机的GPS双频载波相位周跳探测方法.该方法使用一定未发生周跳的历元做训练集,使用L1、L2相位伪距组合和电离层残差组合作为特征训练模型,并使用含有周跳的历元进行测试.通过仿真实验,证明本文方法通过参数优化可达到近似100%的检测率和低于3%的虚警率,且与传统的相位减伪距法和电离层残差法对比,既可探测1周以下小周跳,还可探测按一定比例发生在双频载波相位上的周跳.

摘要： 支持向量机在许多实际应用中由于训练样本集规模较大且具有类内混杂孤立点数据，导致了学习速度慢，存储需求量大等问题。针对这些问题提出了一种新的去样本点的方法。该方法首先基于一类支持向量机(OCSVM)方法，寻找一个超平面，保持与原点间隔最大，去掉超平面下方一侧的异常点，而后基于距离对各类样本分别去边缘点，最后对约简后的数据用SVM进行分类。提出的方法与标准SVM方法的比较显示，所提方法大大减少了训练样本数目，提高了支持向量机训练速度和分类精度。

摘要： 本文从净图角度出发,提出了以BMP、JPEG净图特征为基础,采用FCM聚类的多超球体一类分类的隐藏信息检测技术.该技术针对同一类样本的特征存在着部分差异的特点,先将净图样本进行模糊C均值聚类,再将该样本的各子类样本特征输入一类SVM分类器进行训练,建立净图样本各子类的超球体分类模型,以此解决净图检测正确率低的问题.实验结果表明,该方法具有一定的通用性和泛化能力,减少了虚警率和漏检率.

摘要： 本文从净图角度出发,提出了以BMP、JPEG净图特征为基础,采用FCM聚类的多超球体一类分类的隐藏信息检测技术.该技术针对同一类样本的特征存在着部分差异的特点,先将净图样本进行模糊C均值聚类,再将该样本的各子类样本特征输入一类SVM分类器进行训练,建立净图样本各子类的超球体分类模型,以此解决净图检测正确率低的问题.实验结果表明,该方法具有一定的通用性和泛化能力,减少了虚警率和漏检率.

摘要： 本文从净图角度出发,提出了以BMP、JPEG净图特征为基础,采用FCM聚类的多超球体一类分类的隐藏信息检测技术.该技术针对同一类样本的特征存在着部分差异的特点,先将净图样本进行模糊C均值聚类,再将该样本的各子类样本特征输入一类SVM分类器进行训练,建立净图样本各子类的超球体分类模型,以此解决净图检测正确率低的问题.实验结果表明,该方法具有一定的通用性和泛化能力,减少了虚警率和漏检率.

摘要： 本文从净图角度出发,提出了以BMP、JPEG净图特征为基础,采用FCM聚类的多超球体一类分类的隐藏信息检测技术.该技术针对同一类样本的特征存在着部分差异的特点,先将净图样本进行模糊C均值聚类,再将该样本的各子类样本特征输入一类SVM分类器进行训练,建立净图样本各子类的超球体分类模型,以此解决净图检测正确率低的问题.实验结果表明,该方法具有一定的通用性和泛化能力,减少了虚警率和漏检率.

摘要： 本文从净图角度出发,提出了以BMP、JPEG净图特征为基础,采用FCM聚类的多超球体一类分类的隐藏信息检测技术.该技术针对同一类样本的特征存在着部分差异的特点,先将净图样本进行模糊C均值聚类,再将该样本的各子类样本特征输入一类SVM分类器进行训练,建立净图样本各子类的超球体分类模型,以此解决净图检测正确率低的问题.实验结果表明,该方法具有一定的通用性和泛化能力,减少了虚警率和漏检率.

摘要： 本发明公开了一种基于单类支持向量机的多位SDC脆弱指令识别方法，包括：构建多位SDC脆弱指令识别模型训练样本数据集；构建表征数据在程序中传播的指令数据传播特征；计算目标指令的多位屏蔽概率；生成基于数据变量的与程序数据流相关的指令集合，并构建指令的屏蔽特征；构建传播性特征向量；构建固有性特征向量；基于单类支持向量机训练多位SDC脆弱指令识别模型；提取目标程序的指令特征，利用多位SDC脆弱指令识别模型对目标程序多位SDC脆弱指令进行识别。本发明方法分类准确率高，召回率高，f‑score也较高，可以有效应用于单粒子效应造成的嵌入式系统中数据单位或多位翻转后导致的程序中多位SDC脆弱指令的识别。

摘要： 本发明属于煤矿瓦斯安全邻域，具体涉及一种基于单类支持向量机的煤矿瓦斯数据标记方法，包括：实时获取原始数据集，将原始数据集进行分类，得到二分类不平衡数据集；采用K‑means聚类算法对二分类不平衡数据集进行处理，得到k个样本池；每个样本池包括一个未打标的样本池和一个打标的样本池；将k个样本池中的数据分别输入到单类支持向量机模型中，预测k个未打标样本池中的打标标签；根据预测的打标标签对原始数据进行打标；本发明在对煤矿瓦斯数据进行标记时采用单类支持向量机主动学习，减少了煤矿瓦斯数据的标记样本；本发明在进行主动学习过程中加入密度以及分布信息，使得挑选的样本更具有代表性。

摘要： 本发明为一种可以解决崩滑隐患样本数据存在的不确定性问题以及正负样本的不均衡性问题，基于单一类别支持向量机的崩滑隐患点检测方法，本发明的技术方案首先融合多种类型的数据，之后再通过训练单一类别支持向量机模型，得到已知存在崩滑隐患的样本点数据的支持向量域，最后再通过计算未知类别的采样样本点与支持向量域之间的距离，从而判断样本数据是否存在崩滑隐患。本发明的技术方案可以解决崩滑检测问题中存在的数据类别不确定性和正负样本的不均衡性，并综合利用多种类型数据的特征，来有效的检测存在的崩滑隐患。

摘要： 本发明公开了一种基于加权组成位置向量和支持向量机的蛋白质结构类预测方法。首先选取或构建蛋白质结构类标准数据集，再在组成位置向量的基础上引入加权因子，采用加权组成位置向量方法，表征待预测的蛋白质序列；并将加权组成位置向量与支持向量机结合，采用直接的多类分类策略，建立了蛋白质结构类预测方法。该方法不仅含有氨基酸组成的信息，而且还包含了蛋白质序列中每个氨基酸残基的位置信息，并且与蛋白质序列之间是一一对应的函数关系，在组成位置向量表征方法中引入权重因子，通过调节权重因子可以明显地提高预测精度，而且本方法简单、快速和灵敏，有望应用于其它蛋白质预测领域。

摘要： 本发明公开了一种基于支持向量机的太阳耀斑二分类预测方法，对实验模型进行数据预处理，构建数据集；斯皮尔曼等级相关系数的确定，并求得等级之间的差值公式；对机器学习的训练特征进行分析和测试，再对实验模型样本进行特征选择，并通过斯皮尔曼等级相关系数对特征之间的联系进行验证；采用SVM寻找决策边界，并对SVM核函数进行选择；对SVM计算原理进行推导；采用SVM对数据进行预测处理，并产生预测结果；对预测结果进行判定；本发明通过以机器学习算法作为核心构建太阳耀斑活动行为预测模型，并通过对太阳耀斑观测数据的特征提取以及预处理，对预处理数据进行建模以及优化，并最终实现对与太阳耀斑行为较高准确率的预测。

摘要： 本发明公开了一种基于单类支持向量机的多位SDC脆弱指令识别方法，包括：构建多位SDC脆弱指令识别模型训练样本数据集；构建表征数据在程序中传播的指令数据传播特征；计算目标指令的多位屏蔽概率；生成基于数据变量的与程序数据流相关的指令集合，并构建指令的屏蔽特征；构建传播性特征向量；构建固有性特征向量；基于单类支持向量机训练多位SDC脆弱指令识别模型；提取目标程序的指令特征，利用多位SDC脆弱指令识别模型对目标程序多位SDC脆弱指令进行识别。本发明方法分类准确率高，召回率高，f‑score也较高，可以有效应用于单粒子效应造成的嵌入式系统中数据单位或多位翻转后导致的程序中多位SDC脆弱指令的识别。

摘要： 本发明涉及一种基于一分类支持向量机的自相关线性轮廓监控设计方法，针对现生产过程中都是基于构造统计量建立控制图对具有自相关性线性轮廓进行监控，此类方法需要对原始数据进行处理，过程较为复杂且难以理解及应用，本发明基于一分类支持向量机提出了一种易于实现的监控方法，并给出详细的实现流程，仿真实验表明本方法在自相关系数，截距发生大偏移时表现良好；自相关系数时，对截距的监测优于其他方法。监控斜率偏移时，监控标准差以及监控截距、斜率同时变化时，优于其他方法，同时便于及时发现异常波动。

摘要： 基于单类支持向量机的车辆碰撞预警系统，摄像头与图像处理器连接，图像处理器与微处理器连接，摄像头用于获取车辆行驶的道路表面信息及行驶路段车流量信息，图像处理器用于对道路表面信息及车流量信息进行处理；车速感应器与微处理器连接，车速感应器用于获取车辆行驶的速度信息；方向盘感应器与微处理器连接，方向盘感应器用于获取车辆行驶过程方向盘操纵方式信息；卫星定位器用于获取判断道路等级的位置信息；存储模块用于存储车辆信息和车辆司机信息；司机信息识别装置与存储模块连接，司机信息识别装置用于获取包括司机性别和年龄的车辆司机信息。实现对车辆和司机做出相应的预测和预警提醒，从而减少车辆碰撞带来的损失。

摘要： 本发明属于在计算机信息处理技术领域，提供一种基于一类支持向量机的用户异常行为处理方法、装置和电子设备，方法包括：获取历史用户的用户信息和对应的行为标签；将历史用户的用户信息和对应的行为标签作为一类支持向量机的训练样本进行训练，得到用于预测用户行为的一类支持向量机模型；当接收到新用户的业务请求时将新用户的用户信息输入一类支持向量机模型，得到该新用户的行为标签，根据行为标签判定该新用户的业务请求是否包含异常行为并进行相应处理。本发明通过获取历史用户的用户信息来训练模型，利用训练好的一类支持向量机模型来判断的下单行为是否正常，若存在欺诈行为则进行相应处理，有效提高了异常行为的识别精度，降低了损失。

摘要： 本发明提供一种基于改进的加权一类支持向量机的涡轴发动机故障检测方法。本发明针对发动机故障数据很难获取或者是获取代价极高时的情况，通过对正常数据进行分析处理，建立一个分类效果良好的分类器，消除了经典SVDD和OCSVM对不同样本错分却对边界产生相同的影响这一缺陷。对权重的计算采用更科学的基于距离和基于密度的线性和的计算方式，使得分类边界趋于更理想的位置，从而构建了效果更好的故障检测分类器。